Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

Stel je voor dat je een drukke, chaotische treinhal binnenloopt. Mensen rennen vanuit alle richtingen aan, sommigen met een verstuikte enkel, anderen die hun borst vasthouden, en weer anderen die er compleet verdwaald uitzien. De functie van de stationsmanager is om te bepalen wie onmiddellijke hulp nodig heeft en wie kan wachten, terwijl hij ook probeert te voorspellen wie het station niet levend zal verlaten. Dit is precies wat er gebeurt in de spoedeisende hulp (SEH) van een ziekenhuis. Het is de voordeur van de gezondheidszorg, een plek waar leven en dood vaak in de balans hangen.

Lange tijd hebben artsen geprobeerd te raden welke patiënten het meeste gevaar lopen. Ze gebruiken hulpmiddelen zoals checklists of hun eigen ervaring, een beetje zoals een weervoorspeller naar wolken kijkt om een storm te voorspellen. Maar soms zijn de wolken verraderlijk, en slaat de storm toe wanneer niemand het verwachtte. Hier komt "statistisch leren" om de hoek kijken. Denk aan het geven van een superintelligent computerbrein aan de weervoorspeller. In plaats van alleen naar een paar wolken te kijken, bekijkt dit computerbrein duizenden eerdere stormen, leert de patronen kennen en ontdekt welke specifieke combinaties van weersomstandigheden meestal leiden tot een ramp. In de wereld van de geneeskunde betekent dit het voeren van gegevens over eerdere patiënten aan een computer — wat ze mankeerden, hoe oud ze waren en wat er met hen gebeurde — om te zien of de computer de verborgen patronen kan ontdekken die tot de dood leiden, patronen die een mens misschien zou missen.

---

Het Grote Experiment bij Saint Joseph Hospital

In de Democratische Republiek Congo, bij een plek genaamd Saint Joseph Hospital in Kinshasa, besloot een team van onderzoekers om dit "superintelligente computerbrein" naar hun spoedeisende hulp te laten kijken. Ze wilden weten: van alle verschillende ziekten die mensen meebrengen, welke zijn de grootste rode vlaggen voor de dood?

Ze gokten niet zomaar wat; ze gingen terug in de tijd. Ze doorzochten de papieren dossiers van 5.172 patiënten die tussen 1 januari 2018 en 31 december 2019 de spoedeisende hulp binnenkwamen. Het was alsoals het bekijken van een gigantisch fotoalbum van meer dan 5.000 verhalen. Ze noteerden de leeftijd van de patiënt, geslacht, hoeveel problemen er waren en, het belangrijkste, of ze het overleefden of overleden. In deze groep overleefde ongeveer 7,5% van de mensen hun bezoek niet.

De Computer Leren Zien

De onderzoekers hadden een probleem: de artsen hadden meer dan duizend verschillende manieren opgeschreven om ziekten te beschrijven! De ene arts schrijft misschien "slechte buikpijn", terwijl een andere schrijft "chirurgisch abdomen". Om hier zin van te krijgen, gedroeg het team zich als een bibliothecaris die een rommelige boekenkast organiseert. Ze groepeerden al die duizenden rommelige beschrijvingen in 19 nette categorieën, zoals "Kankers", "Malaria", "Shock" of "Hersenletsel".

Vervolgens verdeelden ze hun gegevens in twee stapels. Ze gaven 70% van de verhalen aan de computer om te bestuderen (de "trainingsset") en hielden de andere 30% verborgen (de "testset"). Ze vroegen de computer om zes verschillende manieren van leren te proberen, een beetje zoals het proberen van zes verschillende studiemethoden om te zien welke de beste cijfers haalt.

De Resultaten: Wie Won de Race?

De computer probeerde zes verschillende "leerstijlen":

1. ElasticNet (een methode die verschillende aanwijzingen in evenwicht brengt)
2. Logistische Regressie (een klassieke wiskundige methode)
3. Neurale Netwerken (het nabootsen van het menselijk brein)
4. xGBoost (een krachtige boosting-methode)
5. Beslissingsbomen (het maken van ja/nee-keuzes zoals in een stroomdiagram)
6. Random Forest (een heleboel beslissingsbomen die samenwerken)

Toen ze deze methoden testten op de verborgen 30% van de patiënten, waren de resultaten duidelijk. Vier van de modellen deden het behoorlijk goed, maar twee van hen struikelden hard. De Beslissingsbomen en Random Forest-modellen waren als studenten die vergeten waren te studeren; ze presteerden zo slecht dat ze nauwelijks beter waren dan het opgooien van een muntje.

De winnaars waren ElasticNet, Logistische Regressie, Neurale Netwerken en xGBoost. Onder hen was ElasticNet de kampioen, met de hoogste "nauwkeurigheid" (technisch gezien een AUC van 0,736). Deze score suggereert dat het model vrij goed is in het onderscheiden van patiënten die zullen overleven en patiënten die dat niet zullen doen, hoewel het niet perfect is.

De Top Zes Gevarentekens

Dus, wat heeft het winnende computerbrein geleerd? Het identificeerde de zes specifieke soorten ziekten die het sterkst gekoppeld waren aan de dood in dat ziekenhuis. Als je een arts was bij Saint Joseph Hospital, dan zijn dit de zes condities die je de "hoogste waakzaamheid"-knop moeten laten indrukken:

1. Shock-toestanden: Wanneer de systemen van het lichaam instorten (zoals een automotor die oververhit raakt en vastloopt).
2. Sepsis: Een ernstige, lichaamswijd verspreide infectie.
3. Tuberculose of longziekten: Problemen met de ademhaling en de longen.
4. Coma: Een diepe staat van bewusteloosheid.
5. Meningo-encefalitis: Ontsteking van de hersenen en de omliggende weefsels.
6. Kanker: Tumoren en gerelateerde ziekten.

Interessant genoeg ontdekte de computer ook dat Malaria, wat zeer veel voorkomt in dat deel van de wereld, de zevende belangrijkste voorspeller was, zelfs terwijl traditionele wiskundige methoden niet vonden dat het zo belangrijk was. Het merkte ook op dat "andere trauma's" (zoals auto-ongelukken en vallen) significant waren, waarschijnlijk omdat het ziekenhuis vlak naast een drukke weg naar de luchthaven ligt.

Wat Dit Betekent (en Wat Het Niet Betekent)

De onderzoekers zijn voorzichtig om te zeggen dat dit geen toverstaf is die alles oplost. Ze geven toe dat hun studie beperkingen heeft. Ze keken alleen naar één ziekenhuis, dus kunnen we niet 100% zeker weten of deze exacte regels voor elk ziekenhuis ter wereld gelden. Ook, omdat ze oude papieren dossiers gebruikten, kan sommige informatie door verschillende artsen net iets anders zijn opgeschreven, wat de computer een beetje in de war had kunnen brengen. De computer had ook moeite met het voorspellen van de zeldzame gevallen waarin mensen stierven, waarbij de computer vaak "overleeft" gokte om maar veilig te spelen, wat een veelvoorkomend probleem is wanneer overlijden een zeldzame gebeurtenis is.

Echter, de studie suggereert dat het gebruik van deze statistische leermiddelen artsen en ziekenhuismanagers kan helpen om betere beslissingen te nemen. Door te weten dat shock, sepsis en longproblemen de belangrijkste doders zijn, kan het ziekenhuis zijn beperkte middelen richten op het extra nauwlettend in de gaten houden van die patiënten. Het is als het hebben van een slim alarmsysteem dat je precies vertelt welke deuren je eerst moet vergrendelen wanneer er een storm aankomt. De auteurs hopen dat toekomstige studies deze bevindingen zullen bevestigen, wat artsen in plaatsen met minder middelen zal helpen om meer levens te redden.